Студенти магістратури Массачусетського технологічного інституту (MIT) Саншайн Цзян (випуск 2025 року) та Руперт Лі (випуск 2024 року) отримали престижну стипендію «Найт-Хеннессі» для навчання в аспірантурі Стенфордського університету. Цзян спеціалізується на втіленій штучній інтелекту та робототехніці, а Лі досягає видатних успіхів у математиці, отримавши низку престижних стипендій та нагород.
Метасистема Poetiq демонструє чудові результати в тесті LiveCodeBench Pro, підвищуючи ефективність GPT 5.5 High до 93,9% та Gemini 3.1 Pro до 90,9% — перевершивши власну модель Google. Інноваційний підхід Poetiq автоматично оптимізує інтелектуальний алгоритм для вирішення завдань з кодування, демонструючи можливості рекурсивного самоудосконалення та адаптивність, незалежну від конкретної моделі.
Моделі штучного інтелекту типу «чорного ящика» ускладнюють процес прийняття рішень, що може призвести до значних фінансових втрат. Д-р Джеймс Маккафрі наголошує на необхідності використання пояснюваного штучного інтелекту для подолання розриву між точністю та прозорістю у прийнятті важливих бізнес-рішень.
DeepMind представляє курсор на базі штучного інтелекту, який перевершує можливості традиційної миші. Система від Google DeepMind, що працює на базі Gemini, спрямована на інтуїтивну взаємодію зі штучним інтелектом, що усуває необхідність у довгих текстових запитах.
Налагоджуйте великі мовні моделі за допомогою Amazon SageMaker AI та Databricks Unity Catalog, забезпечуючи суворе управління даними та дотримання нормативних вимог. Безпечно інтегруйте Unity Catalog із SageMaker AI за допомогою EMR Serverless для попередньої обробки даних, відстежуючи їх походження без шкоди для безпеки.
Відпрацьовуючи навички програмування, розробник протестував класс GradientBoostingRegressor з бібліотеки scikit на наборі даних про діабет, отримавши низьку точність. Незважаючи на зусилля з навчання, модель не змогла точно передбачити показники діабету.
Компанія Fastino Labs випустила GLiGuard — модель модерації з точки зору безпеки, що має 300 мільйонів параметрів і перевершує більші моделі у 23–90 разів, працюючи при цьому до 16 разів швидше. GLiGuard переосмислює модерацію з точки зору безпеки як задачу класифікації тексту, забезпечуючи ефективну оцінку за різними параметрами.
Лабораторія Thinking Machines Lab пропонує моделі взаємодії, покликані докорінно змінити сферу штучного інтелекту, зробивши інтерактивність невід’ємною частиною самої моделі, а не додатковим елементом. Система включає модель взаємодії для обміну даними з користувачами в режимі реального часу та фонову модель для виконання більш складних завдань, що забезпечує безперебійну співпрацю та масштабу...
Закон ЄС про штучний інтелект вимагає відстеження кількості операцій FLOP для великих мовних моделей. Amazon SageMaker AI спрощує контроль дотримання вимог під час виконання завдань з тонкого налаштування.
Реалізація лінійної регресії на гребенях з нуля в Python із використанням закритого виразу для навчання з L2-регуляризацією дозволяє запобігти перенавченню моделі. Використання оберненої матриці за Холеським або SVD з константою альфа L2 створює необхідні умови для успішного навчання.
Президент MIT Саллі Корнблут прогнозує широке поширення штучного інтелекту. MIT запускає програму «Universal AI», покликану подолати прогалини в знаннях про штучний інтелект, пропонуючи курси, орієнтовані на конкретні галузі.
Такі компанії, як Meta та Google, використовують великі мовні моделі для навчання менших і ефективніших моделей за допомогою дистиляції LLM. Дистиляція з м’якими мітками дозволяє моделям-учням успадковувати здатність до міркування від моделей-вчителів, підвищуючи стабільність та ефективність навчання.
Компанія Miro у співпраці з AWS розробила BugManager — рішення на базі штучного інтелекту для автоматизованої сортування помилок, що дозволяє зменшити кількість перепризначень та скоротити час на усунення неполадок. BugManager використовує оптимізовані підказки та технологію RAG (Retrieval Augmented Generation) для підвищення точності класифікації помилок.
Дослідники з компаній Sakana AI та NVIDIA намагаються вирішити проблему високої вартості великих мовних моделей, зосередившись на усуненні неефективності шарів прямого поширення. Використовуючи неструктуровану розрідженість, вони прагнуть підвищити ефективність обчислень у цих шарах, зосередившись на пакетному навчанні та високопродуктивному інференційному обчисленні.
Дослідники з Meta, Стенфордського університету та Вашингтонського університету вдосконалили модель Byte Latent Transformer за допомогою трьох нових методів. BLT-D замінює побайтове декодування на блокову дифузію, що прискорює генерацію тексту.